El Algoritmo de Optimización del Chimpancé (ChOA), un algoritmo metaheurístico novedoso, ha sido propuesto en los últimos años. Divida la población en cuatro niveles diferentes con el propósito de cazar. Sin embargo, aún existen algunos defectos que hacen que el algoritmo caiga en el óptimo local. Para superar estos defectos, se desarrolla en este documento un Algoritmo de Optimización del Chimpancé Mejorado (EChOA). Se introduce la Mutación Polinómica Altamente Disruptiva (HDPM) para explorar aún más el espacio de la población y aumentar la diversidad de la población. Luego, se calcula el coeficiente de correlación de rangos de Spearman entre los chimpancés con la mayor aptitud y la menor aptitud. Para evitar la optimización local, los chimpancés con valores de baja aptitud se introducen con el Algoritmo de Búsqueda de Antenas de Escarabajos (BAS) para obtener capacidad visual. A través de la introducción de las tres estrategias anteriores, se mejora la capacidad de exploración y explotación de la población. Sobre esta base, este documento propone un modelo EChOA-SVM, que puede optimizar parámetros al mismo tiempo que selecciona las características. Así, se puede lograr la máxima precisión de clasificación con la menor cantidad posible de características. Para verificar la efectividad del método propuesto, se compara con siete métodos comunes, incluido el algoritmo original. Se utilizan diecisiete conjuntos de datos de referencia de la biblioteca de aprendizaje automático de UCI para evaluar la precisión, el número de características y la aptitud de estos métodos. Los resultados experimentales muestran que la precisión de clasificación del método propuesto es mejor que la de los otros métodos en la mayoría de los conjuntos de datos, y el número de características requeridas por el método propuesto también es menor que el de los otros algoritmos.